针对交通运行指数(Traffic Performance Index,TPI)合理值取值问题,将宏观基本图(Mac⁃roscopic Fundamental Diagram,MFD)模型与交通运行指数模型相结合,提出理论效能最优交通指数的求解方法.首先,利用各等级道路交通流基本图模型,建立...针对交通运行指数(Traffic Performance Index,TPI)合理值取值问题,将宏观基本图(Mac⁃roscopic Fundamental Diagram,MFD)模型与交通运行指数模型相结合,提出理论效能最优交通指数的求解方法.首先,利用各等级道路交通流基本图模型,建立全路网MFD,寻找路网理论效能最优状态点;其次,以速度为连接,将该点映射至基于严重拥堵里程比的交通运行指数模型中,得到理论效能最优交通指数;最后,以北京市全路网及行政区为例进行实证研究.结果表明:全路网的理论效能最优交通指数为6.42,东城区、西城区、海淀区和朝阳区理论效能最优交通指数依次为6.86,6.80,6.76,4.58.朝阳区理论效能最优交通指数最低,其路网性能优于其他三区.该方法为交通管理和交通出行提供直观参考,并为制定交通管理政策提供理论支撑.展开更多
动力性差、尺寸大是货车影响道路交通流运行效率的重要原因,为提高货车运行效率,对快速路货车流量预测问题进行研究.基于货车GPS轨迹数据,构建长短时循环神经网络(Long Short Term Memory,LSTM),门控神经单元(Gated Recurrent Unit,GRU)...动力性差、尺寸大是货车影响道路交通流运行效率的重要原因,为提高货车运行效率,对快速路货车流量预测问题进行研究.基于货车GPS轨迹数据,构建长短时循环神经网络(Long Short Term Memory,LSTM),门控神经单元(Gated Recurrent Unit,GRU),双向长短时记忆网络(Bidirectional Long Short Term Memory,Bi-LSTM)和双向门控神经单元(Bidirectional Gated Recurrent Unit,Bi-GRU)四种货车交通流量需求预测循环神经网络模型.研究结果表明:货车交通流量需求预测循环神经网络模型对货车交通流量具有很好的预测能力,平均预测精度为91.55%,较ARIMA高出10.45%;GRU模型对整体货车流量序列预测精度最高;低峰时段平均预测精度高于高峰时段,LSTM在波动较强的高峰时段预测精度最高,为96.83%;Bi-GRU在低峰时段的预测精度最高,为97.66%.研究成果将为政策制定者选用合适的循环神经网络模型,精准预测货车流量,提高货车交通运行效率提供理论和技术支持.展开更多
文摘针对交通运行指数(Traffic Performance Index,TPI)合理值取值问题,将宏观基本图(Mac⁃roscopic Fundamental Diagram,MFD)模型与交通运行指数模型相结合,提出理论效能最优交通指数的求解方法.首先,利用各等级道路交通流基本图模型,建立全路网MFD,寻找路网理论效能最优状态点;其次,以速度为连接,将该点映射至基于严重拥堵里程比的交通运行指数模型中,得到理论效能最优交通指数;最后,以北京市全路网及行政区为例进行实证研究.结果表明:全路网的理论效能最优交通指数为6.42,东城区、西城区、海淀区和朝阳区理论效能最优交通指数依次为6.86,6.80,6.76,4.58.朝阳区理论效能最优交通指数最低,其路网性能优于其他三区.该方法为交通管理和交通出行提供直观参考,并为制定交通管理政策提供理论支撑.
文摘动力性差、尺寸大是货车影响道路交通流运行效率的重要原因,为提高货车运行效率,对快速路货车流量预测问题进行研究.基于货车GPS轨迹数据,构建长短时循环神经网络(Long Short Term Memory,LSTM),门控神经单元(Gated Recurrent Unit,GRU),双向长短时记忆网络(Bidirectional Long Short Term Memory,Bi-LSTM)和双向门控神经单元(Bidirectional Gated Recurrent Unit,Bi-GRU)四种货车交通流量需求预测循环神经网络模型.研究结果表明:货车交通流量需求预测循环神经网络模型对货车交通流量具有很好的预测能力,平均预测精度为91.55%,较ARIMA高出10.45%;GRU模型对整体货车流量序列预测精度最高;低峰时段平均预测精度高于高峰时段,LSTM在波动较强的高峰时段预测精度最高,为96.83%;Bi-GRU在低峰时段的预测精度最高,为97.66%.研究成果将为政策制定者选用合适的循环神经网络模型,精准预测货车流量,提高货车交通运行效率提供理论和技术支持.
